Keras CNN 中用于多类图像分类的验证精度常数

Question

我正在执行多类图像分类任务。在训练我的 CNN 时，验证准确率在所有时期都保持不变。我尝试了不同的模型架构和不同的超参数值，但没有任何变化。任何想法将不胜感激。这是我目前的结果： 训练和验证损失和准确性

这是我的CNN：

model = models.Sequential()

model.add(Conv2D(32, (3, 3), activation = 'relu', input_shape= . 
(img_width, img_height, 3)))

model.add(MaxPooling2D((2, 2)))

model.add(Conv2D(64, (3, 3), activation = 'relu'))

model.add(layers.MaxPooling2D((2, 2)))

model.add(layers.Conv2D(128, (3, 3), activation = 'relu'))

model.add(layers.MaxPooling2D((2, 2)))

model.add(layers.Flatten())
model.add(layers.Dropout(0.2))
model.add(layers.Dense(64, activation = 'relu'))

model.add(layers.Dropout(0.2))
model.add(layers.Dense(8, activation = 'softmax'))

model.compile(loss='categorical_crossentropy',
optimizer=optimizers.Adam(lr=0.001, beta_1=0.9, beta_2=0.999, 
epsilon=1e-08, decay=0.0001),metrics = ['acc'])

model.summary()

Answer 1

有多种可能的潜在因素可能导致这种现象 - 以下是您可以尝试的一些初步修复的列表，但并不详尽：

• 如果您正在使用 Adam 优化器（或任何其他自适应学习率优化器，例如 RMSprop 或 Adadelta），请尝试使用比默认值小得多的初始学习率，大约为 10E-6。或者，尝试使用 10E-2 到 10E-3 范围内某个初始学习率的随机梯度下降。您还可以设置一个较大的初始学习率，并通过使用 Keras 的 LearningRateScheduler 回调并定义自定义学习率计划（针对 SGD）在几个训练时期的过程中对其进行退火。

• 如果上述方法不起作用，请尝试降低网络的复杂性（例如层数）并增加训练集的大小。此外，当您检查训练数据集时，请确保您的训练集不会受到类别不平衡的影响 - 如果确实如此，您可以使用class_weights可以传递给模型的fit()方法。

• 如果问题仍然存在，您可能不得不面对这样一种可能性，即持续的验证损失可能是本质上拟合噪声的人工产物，并且模型发出的任何（甚至有些似是而非的）预测都可能是虚假的。此时，您可能想尝试提取更多信息特征、更多种类的特征或对您的训练集执行广泛的数据增强。

查看此 GitHub 问题以获取可能有助于解决您的问题的进一步建议：

https://github.com/keras-team/keras/issues/1597